Die Wichtigkeit des „Machine Learning“ und der Texturanalyse in der Onkologie anhand der Fusionsbildgebung

Abstract

ZusammenfassungDas Gebiet der Onkologie hat sich in den letzten Jahrzehnten deutlich weiterentwickelt. Klassische Chemotherapien werden aktuell zunehmend durch neue, zielgerichtete „State-of-the-Art“-Therapien ersetzt. Diese zielgerichteten Therapien basieren auf einer Zusammenführung von Informationen aus der molekularen Pathologie, spezifischen Tumormarkern und fortgeschrittener Bildgebungstechnik. PET/CT und PET/MRT bieten aufseiten der Bildgebung hierbei die einzigartige Möglichkeit funktionelle und anatomische Informationen in einer Untersuchung zu vereinen. Bis vor Kurzem wurden PET- und CT/MRT-Bilder meistens binär (Tumor ja/nein) analysiert ohne wesentliche Informationen über die räumliche Verteilung von relevanten Bildparametern innerhalb einer Tumorläsion zu erheben. Mit der Entwicklung und dem Voranschreiten von Texturanalyse-Softwares der nächsten Generation ist es jetzt möglich eine Tumorläsion auch bez. ihrer Heterogenität und Expression spezifischer Zielstrukturen auf den Tumorzellen zu charakterisieren. Jedoch gibt es bei diesem Vorgehen mehrere Herausforderungen, wobei die wichtigste ist, die durch die Texturanalysen generierten großen Datenmengen zu interpretieren. Der Erfolg des „Machine Learning“/des maschinellen Lernens in anderen Gebieten der Wissenschaft, welche mit ähnlich großen Datenmengen umgehen müssen, hat ein neues Kapitel in der zielgerichteten Onkologie mit radioaktiv-markierten Proben eröffnet. In unserem Review-Artikel haben wir das primäre Ziel, aktuelle Literatur und zukünftige Trends der Integration von „Machine Learning“ in der Onkologie durch die Nutzung der Fusionsbildgebung mittels PET/CT oder PET/MRT zusammengefasst.